@article{fdi:010085549,
  title = {{A}m{\'e}lioration du pronostic par apprentissage profond pour des applications de maintenance pr{\'e}dictive},
  author = {{C}hambaret, {G}. and {B}erti-{E}quille, {L}aure and {B}ouchara, {F}. and {B}runo, {E}. and {M}artin, {V}. and {C}haillan, {F}.},
  editor = {},
  language = {{FRE}},
  abstract = {{D}ans cet article, nous nous int{\'e}ressons {\`a} l'am{\'e}lioration de la pr{\'e}diction de la dur{\'e}e restante de fonctionnement utile d'un syst{\`e}me complexe dont l'{\'e}tat est repr{\'e}sent{\'e} par des s{\'e}ries temporelles de donn{\'e}es multivari{\'e}es. {N}otre contexte d'application est le domaine de la maintenance pr{\'e}dictive pour l'industrie navale. {N}ous pr{\'e}sentons et {\'e}valuons deux approches diff{\'e}rentes en mesurant l'am{\'e}lioration de la pr{\'e}diction de la dur{\'e}e de vie restante utile ({R}emaining {U}seful {L}ife ou {RUL}) au moyen de quatre approches d'apprentissage automatique utilisant des r{\'e}seaux de neurones profonds. {L}a premi{\`e}re m{\'e}thode que nous proposons s'appuie sur un r{\'e}-{\'e}chantillonnage de la base d'apprentissage afin de r{\'e}duire localement les erreurs. {L}a deuxi{\`e}me m{\'e}thode propos{\'e}e s'int{\'e}resse {\`a} la d{\'e}tection automatique et l'utilisation d'un point de rupture dans le signal multivari{\'e} pour am{\'e}liorer la phase d'entra{\^i}nement. {N}ous montrons que les techniques de d{\'e}tection de points de rupture permettent une am{\'e}lioration significative de la performance de pr{\'e}diction des dur{\'e}es de vie restantes avec des gains allant jusqu'{\`a} 27 % sur l'erreur moyenne absolue ({MAE}) quel que soit le r{\'e}seau utilis{\'e}, ce qui d{\'e}montre la g{\'e}n{\'e}ricit{\'e} et l'int{\'e}r{\^e}t de notre approche.},
  keywords = {},
  booktitle = {},
  journal = {{R}evue des {N}ouvelles {T}echnologies de l'{I}nformation},
  numero = {{E}-37},
  pages = {325--332},
  ISSN = {1764-1667},
  year = {2021},
  URL = {https://www.documentation.ird.fr/hor/fdi:010085549},
}